時間序列分析

惡化是一個過程，而非單一事件。 心率上升或血壓下降通常需要數小時發展。時間序列模型能偵測單次測量難以察覺的細微趨勢 – 例如，心率在六小時內逐漸上升，而每次讀數仍在正常範圍內。

物種專屬基線。 犬的正常體溫與貓不同。時間序列模型可針對物種專屬數據進行訓練，並適應個別基線 – 實現個人化監測。

預測（預測）： 根據過去的生命徵象，下一個數值會是多少？較大的預測誤差表示異常。預測可預期未來的不穩定，例如預測的血壓下降。

異常偵測： 識別異常模式 – 突發峰值、持續停頓或逐漸偏移。異常可觸發心律不整、呼吸暫停或失代償性休克的警報。

變化點偵測： 精確定位病患狀態發生顯著變化的時刻（例如：從穩定轉為惡化）。這有助於評估治療效果。

完整序列分類： 根據 24 小時的記錄，分類病患是否處於疼痛、敗血症或恢復良好 – 將長時間序列轉換為診斷標籤。

傳統統計模型（例如 ARIMA、指數平滑）： 這些模型已被充分理解，且適用於規律的單變量時間序列，例如每小時溫度。它們具有可解釋性且需要少量數據，但在處理複雜、多變量或不規則採樣的序列時表現不佳。

長短期記憶 (LSTM) 網路： 一種專門設計用於長期記憶資訊的遞迴神經網路 (RNN)。LSTM 維護內部「記憶」，隨著每次新測量更新 – 使其能將 12 小時前的低心率與當前的發燒關聯起來。它們擅長偵測生命徵象串流中的細微趨勢和異常，並能同時處理多個輸入訊號（例如：心率、呼吸頻率、體溫）。

實務上，LSTM 是獸醫 ICU 連續監測的首選，因為它們在預測能力與合理的訓練數據需求之間取得平衡。模型從長序列中學習的能力使其在早期預警方面特別出色 – 在臨床徵兆明顯之前偵測惡化。

模型的選擇最終取決於任務（預測 vs 異常偵測）、取樣頻率、可用的標註數據以及對可解釋性的需求。對於許多分診應用，LSTM 或較簡單的基線模型都能提供可靠的效能。